一种用于图核的正则化Wasserstein框架
机器学习
2021-10-11 v2 机器学习
摘要
我们提出了一种用于图核的学习框架，该框架在理论上基于正则化最优传输。该框架提供了一种新颖的最优传输距离度量，即正则化Wasserstein（RW）差异，它可以通过特征及其局部变化、局部重心和全局连通性上的Wasserstein距离来同时保留图的特征与结构。我们引入了两个强凸正则化项以提升学习能力。其一是将图之间的最优对齐松弛为它们局部连通顶点之间的簇到簇映射，从而保留图的局部聚类结构。其二是考虑节点度分布，以更好地保留图的全局结构。我们还设计了一种高效算法以实现优化问题的快速近似求解。在理论上，我们的框架具有鲁棒性，并能保证优化的收敛性与数值稳定性。我们使用12个数据集对照16种最先进的基线方法对我们的方法进行了实证验证。实验结果表明，对于具有离散属性和连续属性的图，我们的方法在所有基准数据库上始终优于所有最先进的方法。
引用
@article{arxiv.2110.02554,
title = {A Regularized Wasserstein Framework for Graph Kernels},
author = {Asiri Wijesinghe and Qing Wang and Stephen Gould},
journal= {arXiv preprint arXiv:2110.02554},
year = {2021}
}
备注
21st IEEE International Conference on Data Mining (ICDM 2021)